python数据分析实战---Numpy科学计算工具

发布时间：2020-12-20 10:45:53 所属栏目：Python 来源：网络整理

导读：Numpy基本认识 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：一个强大的N维数组对象 ndarray 广播功

Numpy基本认识

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能

Numpy基础数据结构

NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。

在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray 元素的虚部
ndarray.data	包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

import numpy


ar = numpy.array([[1,2,3,4,5],[2,5,6],[3,6,7]])
print(ar)

print(ar.ndim)
print(ar.shape)
print(ar.size)
print(ar.itemsize)
print(ar.data)
print(ar.dtype)
print(ar.flags)
print(ar.real)
print(ar.imag)

结果：
[[1 2 3 4 5]
 [2 3 4 5 6]
 [3 4 5 6 7]]
2
(3,5)
15
4
<memory at 0x00000000056EF748>
int32
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

[[1 2 3 4 5]
 [2 3 4 5 6]
 [3 4 5 6 7]]
[[0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]

创建数组

array()函数? 括号内可以是list，元组、数组、生成器等

ar = np.array([[1,7]])
ar1 = np.array(range(10))
ar2 = np.array(10)
ar3 = np.array([[1,[‘a‘,‘b‘,‘c‘,‘d‘]])
print(ar)
print(ar1)
print(ar2)
print(ar3)

输入结果：
[[1 2 3 4 5]
 [2 3 4 5 6]
 [3 4 5 6 7]]
[0 1 2 3 4 5 6 7 8 9]
10
[list([1,5]) list([2,6]) list([‘a‘,‘d‘])]

arange()函数? 类似于range(),在给定间隔内返回均匀间隔的值

print(np.arange(10))
print(np.arange(10.0))
print(np.arange(5,12))
print(np.arange(5.0,12.3))


输入结果：
[0 1 2 3 4 5 6 7 8 9]
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 5  6  7  8  9 10 11]
[ 5.  6.  7.  8.  9. 10. 11. 12.]

print(numpy.linspace(5,14,num=10)) #返回在间隔【开始，停止】上计算的num个均匀间隔的样本
print(numpy.linspace(5,num=11))

print(numpy.zeros((4,4),dtype=numpy.int))  #创建指定大小的数组，数组元素以 0 来填充

ar = numpy.array([range(10),range(10,20)])
print(numpy.zeros_like(ar))
print(ar)

print(numpy.ones((2,3),dtype=numpy.int))    #创建指定大小的数组，数组元素以 1 来填充

#ones_like()和zeros_like()相似

print(numpy.eye(3,dtype=numpy.int)) #创建一个正方的N+N的单位矩阵，对角线值位1，其余的值为0


输入结果：
[ 5.  6.  7.  8.  9. 10. 11. 12. 13. 14.]
[ 5.   5.9  6.8  7.7  8.6  9.5 10.4 11.3 12.2 13.1 14. ]
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]
[[0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0]]
[[ 0  1  2  3  4  5  6  7  8  9]
 [10 11 12 13 14 15 16 17 18 19]]
[[1 1 1]
 [1 1 1]]
[[1 0 0]
 [0 1 0]
 [0 0 1]]

Numpy通用函数

翻转数组? ?numpy.T

修改数组形状? numpy.reshape

返回指定形态新数组? numpy.resize

import numpy as np

ar = np.arange(10)
ar1 = np.zeros((2,4))
print(ar)
print(ar1)
print(ar.T)
print(ar1.T)

ar2 = np.arange(12)
ar3 = np.arange(12).reshape(3,4)
print(ar2)
print(ar3)

print(np.resize(ar3,(4,4)))

输出结果：
[0 1 2 3 4 5 6 7 8 9]
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]]
[0 1 2 3 4 5 6 7 8 9]
[[0. 0.]
 [0. 0.]
 [0. 0.]
 [0. 0.]]
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [ 0  1  2  3]]

数组的复制 copy（）

ar = np.arange(10)
print(ar)
ar1 = ar
ar1[2]=100
print(ar,ar1)

ar3 = ar.copy()
ar3[3]=998
print(ar,ar3)

输出结果：
[0 1 2 3 4 5 6 7 8 9]
[  0   1 100   3   4   5   6   7   8   9] [  0   1 100   3   4   5   6   7   8   9]
[  0   1 100   3   4   5   6   7   8   9] [  0   1 100 998   4   5   6   7   8   9]

数组的字符转换

ar2 = numpy.array(range(16)).reshape(4,4)
ar3 = ar2.astype(numpy.str)
print(ar3)

输出结果：
[[‘0‘ ‘1‘ ‘2‘ ‘3‘]
 [‘4‘ ‘5‘ ‘6‘ ‘7‘]
 [‘8‘ ‘9‘ ‘10‘ ‘11‘]
 [‘12‘ ‘13‘ ‘14‘ ‘15‘]]

连接数组

ar = np.array([[1,3],[4,6]])
ar1 = np.array([[7,8,9],[10,11,12]])

ar2 = np.stack((ar,ar1),0) #沿新轴连接数组序列
ar3 = np.hstack((ar,ar1))# 横向连接
ar4 = np.vstack((ar,ar1))#纵向连接
print(ar2,ar3,ar4)

输出结果：
[[[ 1  2  3]
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]]
 [[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
 [[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

分割数组

ar = np.arange(16).reshape(4,4)
ar1 = np.vsplit(ar,2)  #纵向拆分
ar2 = np.hsplit(ar,2)  #横向拆分
print(ar)
print(ar1)
print(ar2)

输出结果：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]
[array([[0,1,7]]),array([[ 8,9,10,11],[12,13,15]])]
[array([[ 0,1],[ 4,[ 8,13]]),array([[ 2,[ 6,7],[14,15]])]

数组的计算

ar2 = numpy.array(range(16)).reshape(4,4)
ar3 = ar2.astype(numpy.str)
print(ar3)
ar4 = ar2*10+100
print(ar4)
print(ar4.mean()) #求平均值
print(ar4.sum()) #求总值

输出结果：
[[‘0‘ ‘1‘ ‘2‘ ‘3‘]
 [‘4‘ ‘5‘ ‘6‘ ‘7‘]
 [‘8‘ ‘9‘ ‘10‘ ‘11‘]
 [‘12‘ ‘13‘ ‘14‘ ‘15‘]]
[[100 110 120 130]
 [140 150 160 170]
 [180 190 200 210]
 [220 230 240 250]]
175.0
2800

Numpy索引和切片

基本索引及切片

import  numpy as np

#一维数组索引 类似于list
ar  = np.arange(20)
# print(ar[2])
# print(ar[3:5])
# print(ar[::2])


#二维数组以及多维数组的逻辑和一维的一样
ar1 = ar.reshape(4,5)
# print(ar1)
print(ar1[2][2])
print(ar1[2:4][0][2])
print(ar1[:2])

输出结果：
12
12
[[0 1 2 3 4]
 [5 6 7 8 9]]

布尔型的索引及切片

ar = np.arange(12).reshape(3,4)
print(ar)

i = np.array([True,False,True])
j = np.array([True,True,False])
print(i)
print(j)
print(ar[i,:])  #在行中判断，只保留True的值
print(ar[:,j]) #在第二维度中判断，只保留True的值

print(ar[ar>5])  #生成一个新的数组

输出结果：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[ True False  True]
[ True False  True False]
[[ 0  1  2  3]
 [ 8  9 10 11]]
[[ 0  2]
 [ 4  6]
 [ 8 10]]
[ 6  7  8  9 10 11]

Numpy随机数

print(np.random.normal(size=(4,4)))  #随机数生成

print(np.random.rand(4))   #生成一个【0-1】之间的随机浮点数或者是N维数组  ---均匀分布
print(np.random.rand(2,4))
print(np.random.randn(4))  #生成一个【0-1】之间的随机浮点数或者是N维数组 ---正态分布
print(np.random.randn(2,4))
print(np.random.randint(5))  #生成一个整数或者N维整数数组
print(np.random.randint(10,50,size=(4,4)))

Nmupy数据输入和输出

ar = numpy.random.randint(0,100,size=(10,10))
numpy.savetxt("savetxt.txt",ar,delimiter=",",fmt="%i")   #数据的输出

txt_load = numpy.loadtxt("savetxt.txt",delimiter=‘,‘)    #数据的输入
print(txt_load)
# print(ar)

相关链接：

NumPy 官网?http://www.numpy.org/
NumPy 源代码?https://github.com/numpy/numpy
Numpy 教程? https://www.runoob.com/numpy/numpy-tutorial.html

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!